arXiv cs.AI· Tripti Shukla, Shwetha Somasundaram, Akshat Gupta, Rohit Garg, Paul Duff, Ian Anderson·· 3 天前AI 评分18
FASHION-RQ：挖掘层级语义结构实现时尚检索的自动化评测
FASHION-RQ: Mining Hierarchical Semantic Structure for Automated Evaluation of Fashion Retrieval
AI 导读
FASHION-RQ 利用 RQ-VAE 学到的层级离散表示，从商品目录结构中自动生成用户查询与相关性集合，无需人工标注或预定义分类体系，并据此构建可扩展基准 FASHION-RQBENCH。
正文 · AI 翻译
摘要：由于缺乏能够捕捉真实世界搜索与推荐中细粒度、开放式查询的基准，评估时尚检索系统仍然具有挑战性。现有基准通常依赖人工整理、预定义分类体系或合成提示，限制了可扩展性和语义覆盖范围。我们提出 FASHION-RQ：挖掘层次化语义结构用于时尚检索的自动化评估，这是一个直接从商品目录结构中推导用户类型查询和相关集（relevance sets）的自动化框架。我们的关键洞见是，残差量化变分自编码器（RQ-VAE）学习到的层次化离散表示，能够以逐步更细的粒度将产品组织成语义上连贯的聚类。我们利用这一结构构建了 FASHION-RQBENCH，一个无需人工查询标注或预定义分类体系的可扩展基准。我们提出四项互补任务，用于评估排序、相关性分类、细粒度同层区分和释义鲁棒性，并配套查询级和属性级相关性指标。在近期检索模型上的实验表明，FASHION-RQBENCH 能够区分模型在不同查询类型和属性上的能力。一项人类研究进一步表明，基准查询在自然度上与真实用户查询相当，且意图清晰度更高，支持其用于真实世界评估的有效性。代码和 FASHION-RQBENCH 数据集将在论文被接收后公开发布。
| 学科： | 信息检索（cs.IR）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.17841 [cs.IR] |
| （或 arXiv:2610.17841v1 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17841 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Tripti Shukla [查看电子邮件]
[v1]
2026年10月13日星期二 06:59:54 UTC（6,072 KB）
来源：arXiv cs.AI · arxiv.org